LLM-Grounded Explainability for Port Congestion Prediction via Temporal Graph Attention Networks

Diese Arbeit stellt AIS-TGNN vor, ein Framework, das ein temporales Graph-Attention-Netzwerk mit einem strukturierten LLM-Modul kombiniert, um sowohl die Vorhersage von Hafenstaus als auch verlässliche, evidenzbasierte Erklärungen für die maritime Lieferkettenüberwachung zu liefern.

Das Wesentliche

Stellen Sie sich den Hafen von Los Angeles und Long Beach wie einen riesigen, pulsierenden Verkehrsknotenpunkt vor, ähnlich einer extrem belebten Kreuzung in einer Großstadt, nur dass hier statt Autos riesige Containerschiffe fahren. Wenn diese Schiffe nicht mehr weiterkommen, entsteht ein riesiger Stau, der die gesamte Weltwirtschaft ins Wanken bringen kann – wie ein Korken, der eine Flasche verstopft.

Das Problem: Bisherige Computerprogramme konnten zwar sagen, dass ein Stau kommt, aber sie konnten nicht erklären, warum. Das ist, als würde ein Wetterbericht sagen: „Es wird regnen", ohne zu erklären, ob es wegen einer Wolke, einem Wind oder einem Gewitter passiert.

Diese Forschung stellt eine neue Lösung vor, die wir „AIS-TGNN" nennen. Man kann sich das wie ein Super-Detektiv-Team vorstellen, das aus zwei Teilen besteht: einem mathematischen Gehirn und einem klugen Übersetzer.

1. Das mathematische Gehirn: Der „Achtung-Netzwerk"-Detektiv

Stellen Sie sich den Hafen als ein riesiges Schachbrett vor, bei dem jedes Feld ein kleines Stück Wasser ist. Auf diesem Brett bewegen sich Schiffe.

• Das alte Problem: Frühere Modelle haben jedes Feld einzeln betrachtet, als wären sie isolierte Inseln. Sie wussten nicht, dass ein Stau in Feld A sofort auch Feld B beeinflusst (wie ein Stau auf der Autobahn, der sich wellenartig nach hinten ausbreitet).
• Die neue Lösung (TGAT): Unser neues Modell sieht das ganze Schachbrett als ein lebendiges Netz. Es nutzt eine Technik namens „Temporal Graph Attention Network".
  • Die Analogie: Stellen Sie sich vor, Sie stehen auf einer belebten Straße. Ein normales Modell zählt einfach, wie viele Autos da sind. Unser Modell hingegen schaut sich genau an: Welche Autos drängen sich? Wer bremst? Wer versucht, sich vorzudrängen? Es gewichtet die Nachbarn unterschiedlich stark. Wenn ein großes Schiff langsam wird, hat das mehr Einfluss auf den Stau als ein kleines Boot. Das Modell lernt also, wem es im Moment am meisten zuhören muss, um den Stau vorherzusagen.

2. Der kluge Übersetzer: Der „KI-Schriftsteller"

Das mathematische Modell ist brillant, aber seine Sprache ist für Menschen unverständlich (Zahlen, Wahrscheinlichkeiten, Graphen). Hier kommt der zweite Teil ins Spiel: ein Großes Sprachmodell (LLM), wie ein sehr intelligenter Assistent.

• Das Problem mit KI: Oft erfinden KIs Erklärungen, die gut klingen, aber falsch sind (Halluzinationen).
• Die Lösung: In diesem System wird der KI-Assistent nicht einfach losgelassen. Er bekommt einen strengen „Befehl": „Du darfst nur das schreiben, was dir das mathematische Gehirn als Beweis gibt."
  • Die Analogie: Stellen Sie sich einen Richter vor, der ein Urteil fällt. Der Richter (das mathematische Modell) hat alle Beweise (Zahlen, Geschwindigkeiten, Nachbarn). Der Anwalt (die KI) darf vor Gericht nur diese Beweise zitieren und in eine verständliche Geschichte verwandeln. Er darf nichts erfinden.

Was passiert dann?

Das System läuft jeden Tag ab:

1. Beobachtung: Es scannt die Positionen aller Schiffe (via AIS-Daten).
2. Analyse: Das mathematische Modell berechnet: „In diesem Bereich wird es in 24 Stunden stauen." Es findet heraus, dass es vor allem an drei Dingen liegt: zu viele langsame Schiffe, ein starker Nachbargrund, der sich auch verlangsamt, und eine hohe Anzahl von Ankern.
3. Erklärung: Der KI-Assistent nimmt diese drei Fakten und schreibt einen klaren Bericht: „Achtung! Im Bereich X droht Stau. Der Grund: Die Schiffe fahren hier bereits sehr langsam (Beweis 1), und das benachbarte Gebiet Y zieht sie in den Stau hinein (Beweis 2). Wenn wir hier die Geschwindigkeit regeln, könnte sich das verhindern."

Warum ist das so wichtig?

• Vertrauen: Hafenmanager müssen nicht blind auf eine Zahl vertrauen. Sie bekommen eine nachvollziehbare Geschichte mit Beweisen.
• Präzision: Das System hat getestet, dass es Staus besser vorhersagt als ältere Methoden (es hat eine Trefferquote von etwa 76 % bei der Erkennung von Stau-Risiken erreicht).
• Zuverlässigkeit: In einem Test hat die KI in 99,6 % der Fälle genau das gesagt, was die Zahlen auch sagten. Sie hat nicht gelogen.

Fazit

Dieses Papier zeigt, wie wir künstliche Intelligenz nicht nur als „Blackbox" nutzen, die nur Ergebnisse spuckt, sondern als einen transparenten Partner. Es verbindet die Rechenkraft moderner Graphen-Modelle mit der Sprachfähigkeit von KI, um komplexe maritime Probleme in einfache, handlungsanweisende Berichte zu verwandeln.

Kurz gesagt: Es ist wie ein Wetterbericht für den Hafen, der nicht nur „Sturm" sagt, sondern genau erklärt, woher der Wind kommt und warum Sie jetzt Ihre Ware umleiten sollten.

Technische Zusammenfassung

1. Problemstellung

Hafenstaus an wichtigen maritimen Knotenpunkten (insbesondere den Häfen von Los Angeles und Long Beach) unterbrechen globale Lieferketten erheblich. Bestehende Vorhersagesysteme priorisieren zwar oft die reine Vorhersagegenauigkeit, liefern jedoch keine operationell interpretierbaren Erklärungen für ihre Ergebnisse. Dies erschwert es nicht-technischen Stakeholdern (wie Terminalbetreibern und Logistikplanern), fundierte Entscheidungen zu treffen. Es besteht eine „Erklärbarkeitslücke": Während Graph Neural Networks (GNNs) räumliche Abhängigkeiten gut modellieren können, bleiben ihre Ausgaben oft abstrakt und numerisch. Zudem fehlt es an Systemen, die Vorhersagen mit verifizierbaren, maschinenlesbaren Beweisen verknüpfen, um vertrauenswürdige Risikoberichte zu generieren.

2. Methodik: Das AIS-TGNN-Framework

Das Paper stellt AIS-TGNN vor, ein End-to-End-Framework, das eine Temporal Graph Attention Network (TGAT) mit einem strukturierten Large Language Model (LLM)-Reasoning-Modul koppelt.

• Datengrundlage und Graph-Konstruktion:

  • Die Daten stammen aus AIS-Übertragungen (Automatic Identification System) der NOAA für den Zeitraum Januar bis Juni 2023.
  • Der Untersuchungsraum (San Pedro Bay) wird in ein regelmäßiges Gitter von 0,1° × 0,1° (ca. 11 km × 11 km) unterteilt.
  • Täglich werden Graph-Snapshots erstellt, wobei aktive Gitterzellen als Knoten und benachbarte Zellen (basierend auf euklidischer Distanz, $k=8$) als Kanten definiert werden.
  • Features: Pro Knoten werden 10 kinematische und verkehrsbezogene Merkmale berechnet (z. B. mittlere Geschwindigkeit über Grund, Anteil langsamer Schiffe, Ankeranteil, Tankeranteil).
  • Label: Ein binäres Label für „Verstärkung des Staus" ($y=1$) wird gesetzt, wenn der Anteil langsamer Schiffe am Tag $t+1$ höher ist als am Tag $t$. Die Klasse ist unausgewogen (ca. 13,5 % positive Fälle).

• Vorhersagemodell (TGAT):

  • Das Modell nutzt einen Temporal Graph Attention Network-Ansatz. Es verarbeitet die sequenziellen Graph-Snapshots, wobei Knoteninformationen durch Multi-Head-Attention-Mechanismen aggregiert werden.
  • Der zeitliche Kontext wird integriert, indem Knoten-Embeddings des vorherigen Zeitschritts mit den Roh-Features des aktuellen Schritts verkettet werden, bevor die nächste Nachrichtenweitergabe erfolgt.
  • Das Ziel ist die Klassifikation der Wahrscheinlichkeit einer Stau-Eskalation.

• Erklärungsmodul (LLM):

  • Anstatt das LLM frei zu generieren, wird es durch strukturierte Beweise aus dem TGAT-Modell eingeschränkt.
  • Evidenz-Extraktion: Für jeden Knoten werden extrahiert:
    1. Die Top-5-Features nach $|z\text{-Score}|$ mit ihren Korrelationsrichtungen.
    2. Die Top-2-räumlichen Nachbarn basierend auf den Attention-Gewichten.
  • Prompting: Diese Daten werden als strukturierte Eingabe (JSON-Schema) an ein LLM (GPT-4o-mini) gesendet. Das LLM fungiert als maritimer Risikoanalyst und muss einen Bericht in sechs festen Abschnitten (Treiber, Nachbarn, Zusammenfassung, Gegenmaßnahmen, Unsicherheit, Limitationen) generieren.
  • Validierung: Ein neu eingeführtes Protokoll zur gerichteten Konsistenz (Directional-Consistency) prüft, ob die vom LLM generierten Risikobeschreibungen (z. B. „erhöht das Risiko") mit den mathematischen Vorzeichen der Eingabedaten (z-Score und Korrelation) übereinstimmen.

3. Wichtige Beiträge

1. AIS-TGNN-Datensatz und Pipeline: Entwicklung einer Open-Source-Pipeline, die Roh-AIS-Daten in 89 zeitlich geordnete Graph-Snapshots mit ca. 30.200 gelabelten Knoten-Tag-Proben umwandelt.
2. TGAT-Prädiktor: Implementierung eines TGAT-Modells, das auf einem stark unausgewogenen Datensatz unter strikter chronologischer Aufteilung (Vermeidung von Data Leakage) trainiert wurde.
3. Beweisbasierte Erklärbarkeit: Überbrückung der Lücke zwischen Modellinternem und menschlicher Interpretation durch Extraktion von Attention-Gewichten und Feature-Statistiken als strukturierte Evidenz.
4. LLM-generierte Risikosynthese: Demonstration, dass ein LLM, geleitet durch strukturierte Beweise, konsistente, mehrteilige Risikoberichte mit einer gerichteten Konsistenz von 99,6 % erzeugt, ohne externe Domänenwissen zu erfinden.

4. Ergebnisse

• Vorhersageleistung (Test-Set):
  • Das TGAT-Modell erreicht eine AUC von 0,761, einen Average Precision (AP) von 0,344 und eine Recall von 0,504.
  • Im Vergleich zu Baselines (Lineare Regression: AUC 0,713; statischer GCN: AUC 0,759) übertrifft TGAT alle Metriken.
  • Besonders relevant ist die Recall-Verbesserung von +13,2 % gegenüber dem GCN. Für Hafenplaner ist es kritischer, echte Stau-Eskalationen zu erkennen (hohe Recall), als nur die Gesamtgenauigkeit zu maximieren.
• Erklärbarkeitsvalidierung:
  • Die gerichtete Konsistenz der generierten Berichte liegt bei 99,6 %. Das bedeutet, das LLM interpretiert die statistischen Beweise des Modells fast fehlerfrei korrekt und erfindet keine falschen Kausalitäten.
  • Die Analyse der Feature-Wichtigkeit zeigt, dass das Modell Features wie die mittlere Geschwindigkeit (SOG) und den Anteil langsamer Schiffe konsistent als Haupttreiber identifiziert, was mit den physikalischen Erwartungen übereinstimmt.

5. Bedeutung und Ausblick

Das Paper liefert einen praktischen Wegweiser für den Einsatz von erklärbarer KI (XAI) im maritimen Sektor.

• Operative Relevanz: Durch die Kombination von hoher Vorhersagegenauigkeit mit auditierbaren, natürlichen Sprachberichten wird die Akzeptanz bei Entscheidungsträgern erhöht. Planer erhalten nicht nur eine Warnung, sondern eine nachvollziehbare Begründung (z. B. „Der Stau wird durch hohe Dichte langsamer Schiffe in Zelle X und den Einfluss des Nachbarn Y verursacht").
• Vertrauen: Die „Grounding"-Methode (Verankerung der LLM-Antworten in harten Modell-Daten) löst das Problem der Halluzinationen bei LLMs in kritischen Infrastrukturen.
• Zukunft: Als nächste Schritte werden die Integration externer Kovariaten (Wetter, Gezeiten), Vorhersagen über mehrere Zeitschritte hinaus und die Validierung in Echtzeit-Dashboards vorgeschlagen.

Zusammenfassend beweist das Framework, dass es möglich ist, hochpräzise Vorhersagemodelle für komplexe räumlich-zeitliche Probleme zu entwickeln, die gleichzeitig transparente und überprüfbare Erklärungen für den menschlichen Nutzer liefern.